本文提出了一种新颖的面部交换框架 Megapixel Facial Identity Manipulation (MFIM)，该框架能够生成高质量的图像，通过结合预训练的 StyleGAN 和 GAN-inversion 实现生成高分辨率图像。同时，通过使用 3DMM 捕捉多样的面部属性并显式监督模型生成具有所需属性的面部交换图像，实现了有效地转换给定图像的身份。在大量实验证明，我们的模型达到了最先进的性能。此外，我们还提出了一种新的操作方法叫做身份混合，可以通过语义混合多个人的身份来创建新的身份，为用户提供定制化的新身份。

Aug, 2023

本文介绍了一种基于深度生成模型的图像人脸交换技术，使用神经网络代替面部纹理，应用于只需提供两张面部图像的交换中，能够更好地处理不同面孔朝向和光照条件的情况，并在多个实验中证明了该方法优于现有方法。

Nov, 2018

通过一个创新的端到端框架，我们提出了一种高保真度的面部交换方法，其中使用了深度学习方法中的生成对抗网络（GANs）作为基础，通过面部属性编码器、基于注意力的样式混合模块和样式解码器等多个模块，解决了以往面部交换方法中的混合不一致、失真、伪影和训练稳定性等问题。我们在 CelebA-HQ 数据集上进行了大量实验，与其他先进方法相比，我们的面部交换方法生成的图像具有更高的视觉质量，并且每个提出的模块都显著有效。源代码和权重将公开提供。

Dec, 2023

本文描述了一种新颖的人脸交换网络，使用 transformer 网络来学习源脸部与目标脸部之间高质量的语义感知对应，实现在交换后的脸部图像中同时保留源身份和目标属性。

Apr, 2023

本文提出了一种新颖的区域感知脸部交换（RAFSwap）网络，以局部 - 全局方式实现一致性、和谐性和高分辨率的面部生成。

Mar, 2022

本研究提出了一种名为 FaceShifter 的新型两阶段框架，用于高保真度和遮挡感知的人脸换脸。该框架通过完全自适应地利用和整合目标属性，在第一阶段生成高清晰度的换脸图像，其创新点在于引入目标属性编码器和自适应关注规范化层生成器。为了解决复杂的面部遮挡问题，我们还增加了由 Heuristic Error Acknowledging Refinement Network (HEAR-Net) 组成的第二阶段。大量实验表明，我们的技术不仅在感知上更好，而且还有更好的身份保护能力。

Dec, 2019

本文提出了一种支持多模式脸部艺术风格化的框架，利用 StyleGAN 的优势，并将其集成到编码器 - 解码器架构中进行高质量的面部生成，输出结果显示该框架在一次和零次风格化任务中均能实现比现有方法更出色的面部风格化性能。

May, 2023

本文提出了一种基于 FlowFace++ 的面部交换框架，利用明确的语义流监督和端到端架构来促进具有形状感知的人脸交换，并在野外人脸数据集上表现出色。

Jun, 2023

本文介绍了一种新的面部交换方法，称为 “编辑式交换”（E4S），通过精细的面部编辑实现。我们提出了区域 GAN 反演（RGI）方法，可以显式地解开形状和纹理的复杂性，并通过样式和掩码交换简化了面部交换。此外，我们还提出了一种重新着色网络来保持目标脸上的光照条件，并通过面部修复网络进行后处理。与最先进的方法进行了广泛比较，证明了我们的 E4S 在保持纹理、形状和光照方面的优越性。

Oct, 2023

提出了一种新颖的轻松适应管道 head2headFS，可以将源人的表情和整个头部姿势高质量地转移到目标人，使用源的密集 3D 面部形状信息来调节目标人的合成，fine-tuning 自适应多人数据集训练的通用生成器为个人特定的生成器，具有 few-shot learning 功能。

Mar, 2021